Apa itu AI, Machine Learning, dan Deep Learning
AI, machine learning, dan deep learning sering ditulis seolah sinonim. Ketiganya sebenarnya himpunan bagian satu sama lain, dan roadmap ini seluruhnya tinggal di irisan paling dalam: model bahasa besar.
Intisari
- AI adalah bidang paling luas: sistem apa pun yang meniru kemampuan yang biasanya butuh kecerdasan manusia — termasuk aturan
if/elseyang ditulis manual. - Machine learning (ML) adalah irisan AI yang belajar pola dari data, bukan diprogram aturan demi aturan.
- Deep learning adalah irisan ML yang memakai jaringan saraf berlapis banyak — inilah yang membuat model bisa memahami bahasa dan gambar mentah.
- LLM (large language model) adalah model deep learning yang dilatih pada teks dalam jumlah masif untuk memprediksi kata berikutnya — dasar dari seluruh roadmap ini.
- AI engineer tidak melatih model dari nol. Yang dikerjakan adalah memakai model yang sudah dilatih (Claude, GPT, dsb.) lewat API dan membangun sistem di sekelilingnya.
Empat lingkaran bersarang
Cara paling gampang mengingat hubungan keempat istilah ini adalah sebagai lingkaran yang saling mengandung, dari yang paling luas ke yang paling sempit:
AI (Kecerdasan Buatan)
└── Machine Learning — belajar dari data, bukan aturan manual
└── Deep Learning — jaringan saraf berlapis banyak
└── LLM — deep learning khusus untuk teks, dilatih memprediksi kata berikutnya
└── Claude, GPT, Gemini, Llama, ... ← roadmap ini mulai dari sini| Istilah | Intinya | Contoh |
|---|---|---|
| AI | Sistem apa pun yang meniru kemampuan yang biasanya butuh kecerdasan manusia | Bot catur berbasis aturan, spam filter, Claude |
| Machine Learning | Sistem yang belajar pola dari data historis, lalu memprediksi data baru | Deteksi fraud kartu kredit, rekomendasi produk |
| Deep Learning | ML dengan jaringan saraf berlapis banyak ("deep") — bisa belajar dari data mentah tanpa fitur yang direkayasa manual | Pengenalan wajah, transkripsi suara |
| LLM | Deep learning berbasis arsitektur transformer, dilatih pada triliunan kata untuk memprediksi token berikutnya | Claude, GPT-4, Gemini |
Kenapa perbedaan ini penting buat AI engineer: kalau kebutuhanmu adalah "prediksi apakah transaksi ini fraud dari 40 kolom data terstruktur", jawabannya biasanya ML klasik (regresi logistik, gradient boosting) — bukan LLM. LLM unggul di tugas yang inputnya bahasa alami tidak terstruktur: baca dokumen, jawab pertanyaan, tulis kode, rangkum email. Memilih alat yang salah untuk masalahnya adalah kesalahan paling mahal yang bisa dibuat AI engineer di minggu pertama.
Dua era yang mengubah semuanya
| Era | Cara kerja | Batasannya |
|---|---|---|
| ML klasik (sebelum ~2012) | Manusia merancang fitur (mis. "panjang email", "jumlah kata kapital") lalu model belajar bobotnya | Butuh keahlian domain untuk merekayasa fitur; tidak bisa langsung "membaca" teks mentah |
| Deep learning (2012–2017) | Jaringan saraf belajar fiturnya sendiri langsung dari data mentah (piksel, kata) | Butuh data & komputasi jauh lebih besar; masih dilatih khusus satu tugas |
| Transformer & LLM (2017–sekarang) | Satu arsitektur, dilatih sekali pada teks internet skala masif, lalu bisa dipakai untuk ribuan tugas berbeda tanpa dilatih ulang | Butuh miliaran dolar untuk melatih dari nol — makanya nyaris semua orang memakainya lewat API, bukan melatihnya sendiri |
Baris terakhir tabel di atas adalah alasan profesi "AI engineer" ada sebagai profesi terpisah dari "ML engineer"/"ML researcher". Melatih LLM dari nol adalah pekerjaan segelintir lab riset besar. Pekerjaan AI engineer — dan seluruh isi roadmap ini — adalah memakai model yang sudah jadi itu lewat API, dan membangun produk software di sekelilingnya.
Latihan: ambil tiga masalah dari pekerjaanmu sehari-hari (bisa fiktif) dan klasifikasikan masing-masing: aturan manual sudah cukup, ML klasik lebih cocok, atau butuh LLM? Untuk yang butuh LLM, tuliskan satu kalimat kenapa — biasanya jawabannya karena inputnya bahasa alami yang tidak terstruktur.
Rangkuman ini sengaja dipangkas ke bagian yang dipakai di roadmap. Buka sumber aslinya saat kamu butuh detail lengkap atau referensi parameter.